En mundo factual (P1) es muy fácil “pasarse de listo” sin querer: un detalle pequeño (definición, escala, dato) puede cambiar el resultado o, peor, hacer que se comunique como certeza algo que solo es un rango. Aquí tienes los errores más comunes y cómo evitarlos, con ejemplos sencillos y una regla de oro: factual describe el hazard, no el impacto ni la causa única.

Este artículo forma parte del tema Atribución en WikiMeteo.es, donde reunimos conceptos y guías prácticas para entender mejor el tiempo y el clima.

1. Error #1: definir el evento “a posteriori”

Elegir la ventana/umbral/región después de ver el evento suele inflar la rareza o ajustar el resultado a lo que quieres contar.

• Señal de alerta: el evento cambia de definición cada vez que lo explicas
• Cómo evitarlo: define E antes (variable, ventana, región, umbral) y reporta sensibilidad

2. Error #2: confundir punto (estación) con celda (modelo/reanálisis)

Una estación puede registrar picos que una celda suaviza. Compararlos “tal cual” es injusto y engañoso.

• Señal: “el modelo no vio el máximo, luego el análisis no vale”
• Corrección: usa operador espacial equivalente (bbox/celda/percentil espacial) o compara de forma consistente

3. Error #3: mezclar datasets sin alinear qué mide cada uno

• Ejemplo: usar reanálisis para picos convectivos de lluvia extrema sin avisar
• Corrección: reanálisis para contexto/patrones; pluvios/radar para máximos; declarar límites

4. Error #4: ignorar sesgos y colas (extremos)

Los extremos viven en las colas, donde los modelos y reanálisis fallan más.

• Señal: percentiles altísimos con N pequeño y sin rango
• Corrección: intervalos conservadores + sensibilidad

5. Error #5: sobreinterpretar “significancia”

“Significativo” no significa “verdad” ni “causa”.

• Corrección: usa lenguaje calibrado (“evidencia fuerte/moderada/limitada bajo supuestos…”) y reporta tamaño del efecto + rango

6. Error #6: usar bootstrap/intervalos como magia

Bootstrap y otras técnicas dan rangos, pero dependen de supuestos (independencia, N efectivo, etc.).

• Señal: aparece un intervalo “bonito” sin decir cómo se obtuvo
• Corrección: declarar método, N, y por qué ese método aplica

7. Error #7: confundir hazard con impacto

Hazard = fenómeno. Impacto = daños. Entre medias hay exposición y vulnerabilidad.

• Corrección: añade siempre una frase: “esto describe el hazard; el impacto depende de exposición y vulnerabilidad”

8. Error #8: concluir causalidad sin contrafactual

El mundo factual no responde “qué habría pasado sin…”. Para eso necesitas comparar con contrafactual.

• Corrección: si te preguntan “¿es por cambio climático?”, responde que factual describe el clima actual; causalidad comparativa requiere contrafactual

9. Ejemplos típicos por tipo de extremo

• Lluvia extrema: reanálisis suaviza; escala manda; riesgo de confundir con inundación
• Sequía: el indicador y ventana cambian todo
• Ciclón/borrasca: racha puntual vs celda; resolución manda
• Ola de calor: definición (Tmax/Tmin, duración) cambia el resultado

10. Checklist anti-trampas

• Evento E definido y copiable
• Escala consistente (punto/celda/bbox)
• Dataset adecuado por variable
• P1 con rango + método declarado
• Sensibilidad mínima reportada
• Sesgos/limitaciones declarados
• Hazard ≠ impacto (exposición/vulnerabilidad)

11. Límites de interpretación (y frases seguras)

• Límite: “Esto no prueba causalidad; describe probabilidad en el clima actual.”
• Límite: “El rango refleja incertidumbre por datos, definición y sesgos.”
• Frase segura: “Compatible con… dentro de estos supuestos.”
• Frase segura: “No inferimos impactos sin exposición/vulnerabilidad.”

12. Mini-glosario

• Bootstrap: método para estimar rangos re-muestreando datos
• Cola: parte extrema de la distribución (p99, p99.9…)
• N efectivo: muestra “real” cuando hay dependencia

13. Referencias y lecturas recomendadas

• Met Office
• NOAA
• IPCC